def prepare_data(self, data):
    """Menyiapkan data untuk analisis"""
    # Normalisasi fitur numerik
    numeric_features = ['jumlah_kredit', 'tenor_bulan', 'bunga_per_tahun',
                      'keterlambatan_pembayaran', 'jumlah_tunggakan',
                      'usia_debitur', 'penghasilan_bulanan', 'jumlah_tanggungan',
                      'lama_bekerja_tahun']
    
    data_scaled = data.copy()
    data_scaled[numeric_features] = self.scaler.fit_transform(data[numeric_features])
    
    return data_scaled

def train_model(self, X_train, y_train):
    """Melatih model klasifikasi"""
    self.model = GradientBoostingClassifier(
        n_estimators=100,
        learning_rate=0.1,
        max_depth=5,
        random_state=42
    )
    self.model.fit(X_train, y_train)
    
def predict_risk_level(self, customer_data):
    """Memprediksi tingkat risiko kredit"""
    if self.model is None:
        raise ValueError("Model belum dilatih!")
    
    prediction = self.model.predict(customer_data)
    probability = self.model.predict_proba(customer_data)
    
    risk_levels = {0: "Rendah", 1: "Sedang", 2: "Tinggi"}
    results = []
    
    for i, (pred, prob) in enumerate(zip(prediction, probability)):
        result = {
            'customer_id': i,
            'risk_level': risk_levels.get(pred, "Tidak Diketahui"),
            'confidence': max(prob),
            'probabilities': {
                'rendah': prob[0],
                'sedang': prob[1] if len(prob) > 1 else 0,
                'tinggi': prob[2] if len(prob) > 2 else 0
            }
        }
        results.append(result)
    
    return results

def recommend_solution(self, risk_level, customer_profile):
    """Memberikan rekomendasi solusi berdasarkan tingkat risiko"""
    recommendations = {
        "Rendah": [
            "Restrukturisasi ringan dengan perpanjangan tenor",
            "Penurunan suku bunga sementara",
            "Program pembayaran bertahap"
        ],
        "Sedang": [
            "Restrukturisasi moderat dengan penyesuaian angsuran",
            "Konsolidasi utang dengan kredit baru",
            "Program pengampunan denda sebagian"
        ],
        "Tinggi": [
            "Negosiasi pelunasan dengan diskon",
            "Konversi menjadi kredit jangka panjang",
            "Program penyelesaian khusus dengan jaminan tambahan"
        ]
    }
    
    return recommendations.get(risk_level, ["Konsultasi langsung dengan ahli kredit"])

analyzer = CreditProblemAnalyzer()
processed_data = analyzer.prepare_data(sample_data)

print("=== Analisis Kredit Bermasalah ===")
print(f"Data yang dianalisis: {len(sample_data)} nasabah")
print("\nFitur yang digunakan:")
for feature in analyzer.feature_columns:
    print(f"- {feature}")